ذاكرة معرفية لوكيل الذكاء الاصطناعي: كيف حلّت SQLite محل قواعد البيانات المتجهية

إحدى أبرز المشكلات التي لم تُحسم بعد في وكلاء الذكاء الاصطناعي الحديثين تبدو بسيطة في ظاهرها: كيف نعلّمهم تذكّر ما هو مهم ونسيان ما فات أوانه. وقد نشر مطوّر تحليلاً تقنياً مفصّلاً على موقع Habr اقترح فيه حلاً يسير عكس التيار السائد في القطاع. فبدلاً من قواعد البيانات المتجهية الشائعة، بنى ذاكرة معرفية متكاملة فوق ملف SQLite واحد.

المشكلة التي يصفها مألوفة لكل من حاول بناء وكيل ذكاء اصطناعي طويل العمر. فالوصفة المعتادة تبدو هكذا: تأخذ النص وتقطّعه إلى مقاطع (chunks)، وتحوّله إلى تضمينات متجهية (embeddings)، وتخزّنها في Pinecone أو Chroma، وعند الاستعلام تسترجع الأقرب بحسب مسافة جيب التمام. وعلى المدى القصير ينجح هذا الأسلوب. لكن ما إن يعمل الوكيل فترة أطول حتى تبدأ الفوضى: تمتلئ نافذة السياق بمقاطع غير ذات صلة، وتتعايش حقائق متناقضة من فترات مختلفة وكأن شيئاً لم يكن، ولا توجد آلية للنسيان أصلاً. فالوكيل يتذكّر كل شيء بالقدر نفسه، وهذا يعني عملياً أنه يتذكّر كل شيء بالسوء نفسه.

تستعير البنية المقترحة مبادئها من علم النفس المعرفي وعلم الأعصاب. فالذاكرة منظّمة على شكل رسم بياني بنوعين من العقد: عقد حَدَثية (episodic) تخزّن أحداثاً وتفاعلات محددة، وعقد دلالية (semantic) تحتوي معارف وحقائق معمَّمة. وبين العقد أضلاع مصنَّفة بحسب النوع تعكس طبيعة الروابط. وخُصّصت طبقة مستقلة للكيانات المسمّاة، ما يتيح للوكيل تتبّع ذكر أشخاص ومؤسسات ومفاهيم بعينها وربط المعلومات المتناثرة في صورة واحدة متكاملة.

ويستحق نظام البحث اهتماماً خاصاً. فبدلاً من الاعتماد على طريقة واحدة لاسترجاع المعلومات، نفّذ المطوّر نهجاً هجيناً يجمع ثلاث آليات: بحثاً نصياً كاملاً عبر SQLite FTS5 للمطابقات الدقيقة والكلمات المفتاحية، وبحثاً متجهياً للقرب الدلالي، وعبوراً للرسم البياني لاستخراج السياقات المترابطة. وتُدمج نتائج هذه الاستراتيجيات الثلاث بواسطة Reciprocal Rank Fusion، وهي خوارزمية تجمع قوائم مرتّبة من مصادر مختلفة دون الحاجة إلى معايرة درجاتها المطلقة. وهو حل أنيق يتيح لكل طريقة تعويض نقاط ضعف الطرق الأخرى.

لكن الجزء الأكثر إثارة في البنية لا يتعلق بالتذكّر بل بالنسيان. فقد أدخل المطوّر منحنى النسيان لإبنغهاوس، وهو نموذج كلاسيكي من علم النفس التجريبي يعود إلى القرن التاسع عشر ويصف التلاشي الأسّي للذاكرة بمرور الوقت. ولكل عقدة في الرسم البياني مؤشر «قوة الذاكرة» ينخفض تدريجياً. فالمعلومات التي يُرجع إليها مراراً تترسّخ، أما المقاطع قليلة الطلب فتتراجع طبيعياً إلى الخلفية. وهذا يختلف جوهرياً عن نهج معظم الأنظمة التي تكون فيها البيانات إما موجودة وإما غير موجودة.

ويكتمل المشهد بآلية الدمج الخلفي (consolidation) بواسطة LLM. فعلى غرار ما يفعله الدماغ البشري حين يعالج المعلومات ويعمّمها أثناء النوم، يشغّل الوكيل نموذجاً لغوياً بصورة دورية لتحليل الذكريات الحَدَثية المتراكمة. ويكتشف النموذج الأنماط، ويحلّ التناقضات، وينشئ عقداً دلالية جديدة، فيحوّل الأحداث المتفرقة إلى معرفة منظّمة. وهذا في الواقع توليد تلقائي لـ«الحكمة المستخلصة من التجربة».

ومن المهم التشديد على البراغماتية الهندسية للحل. فالنظام كله يعمل على ملف SQLite واحد، دون خدمات خارجية، ودون حاويات Docker لقواعد بيانات متجهية، ودون اشتراكات في تخزين سحابي. وبالنسبة لوكيل يعمل محلياً، يعني ذلك حدّاً أدنى من الاعتماديات، وسهولة في النشر، وسيطرة كاملة على البيانات. أما SQLite، رغم سمعتها كـ«قاعدة بيانات للمشاريع الصغيرة»، فقد أثبتت منذ زمن بعيد قدرتها على تحمّل أحمال جدية، كما أن امتداد FTS5 يحوّلها إلى محرك بحث متكامل.

ويندرج هذا المشروع ضمن اتجاه متنامٍ نحو بناء ذاكرة أكثر «إنسانية» لوكلاء الذكاء الاصطناعي. فالمختبرات الكبرى مثل Google DeepMind وOpenAI تبحث بنشاط في آليات الذاكرة طويلة الأمد، لكن حلولها، كقاعدة عامة، مرتبطة بمنصات مملوكة. أما البنية المفتوحة التي يمكن نشرها محلياً على أي جهاز فتتيح الوصول إلى هذه الإمكانات للجميع. وإذا ثبتت جدوى هذا النهج عند التوسّع، فقد يغيّر تصوّرنا لكيفية بناء ذاكرة الوكلاء المستقلين، من التراكم العشوائي للبيانات إلى إدارة واعية للمعرفة.